[发明专利]一种高维回归点云配准方法、系统、计算机设备及应用

权利要求书

1.一种高维回归点云配准方法，其特征在于，所述高维回归点云配准方法包括：

步骤一，对每个点云进行采样，随机选择一个距离源点云和目标点云都无穷远的点作为远点；使用KNN算法为每个点云保留768个最靠近远点的点，得到点数一样多但是只有部分重叠的两个待配准点云，包含有离散的坐标信息；

步骤二，将采样后的两个点云作为网络框架的输入，将坐标映射到高维，即计算每个点的局部特征；

步骤三，计算两个点云局部特征的协方差矩阵以提取两个点云的全局特征；

步骤四，使用二维卷积网络来融合协方差矩阵的特征；

步骤五，将得到的全局特征使用全连接层进行回归，得到一个大小为8张量；

步骤六，将得到的8维张量转化为对应变化；

步骤七，将对应变化作用于源点云，重复步骤一到步骤七，最后利用求得的对应变换实现两个点云的配准；

步骤八，训练网络框架，然后进行实际配准。

2.如权利要求1所述的高维回归点云配准方法，其特征在于，所述步骤二中的将采样后的两个点云作为网络框架的输入，将坐标映射到高维，计算每个点的局部特征，包括以下步骤：记源点云和目标点云分别为和Xi和Yj分别表示源点云X的第i个点和目标点云Y的第j个点，将大小为n×3的两个点云输入网络框架，使用多层感知机(64，64，128)将两者映射到128维度，每个1×128的张量即为对应点的局部特征，并且二者通过多层感知机共享参数，分别形成大小为n×128的局部特征XL和YL，将其作为下一步骤的输入。

3.如权利要求1所述的高维回归点云配准方法，其特征在于，所述步骤三中的计算两个点云局部特征的协方差矩阵以提取两个点云的全局特征，包括以下步骤：

分别计算XL每个维度的平均值，将XL的每一维度减去对应维度的平均值得到XL₁，计算其协方差矩阵得到大小为128×128的矩阵B；

分别计算YL每个维度的平均值，将YL的每一维度减去对应维度的平均值得到YL₁，计算其协方差矩阵得到大小为128×128的矩阵C；

计算XL₁和YL之间的协方差矩阵得到矩阵大小为128×128的A；

将三个矩阵拼接在一起形成3@128×128的张量，将其作为下一步骤的输入。

4.如权利要求1所述的高维回归点云配准方法，其特征在于，所述步骤四中的使用二维卷积网络来融合协方差矩阵的特征，包括以下步骤：使用二维卷积网络来融合矩阵A、B和C的特征，二维卷积网络由叠加卷积层组成；在卷积层中，输入采用步长为2的下采样，而不是最大池；除最后一层外，所有层后面都是批标准化，并使用ReLU激活函数；2D CNN设置为Conv2d(3，128，128)-Conv2d(8，64，64)-Conv2d(16，32，32)-Conv2d(8，16，16)， 卷积核大小为3×3，将2DCNN的最后一层扩展为2048的一维张量，作为下一步骤的输入。

5.如权利要求1所述的高维回归点云配准方法，其特征在于，所述步骤五中的将得到的全局特征使用全连接层进行回归，得到一个大小为8张量，包括以下步骤：将得到的2048维张量输入全连接层，有三个分别大小为1024、512和256的隐藏层，以及一个大小为8的输出层；大小为8的输出为[q0、q1、q2、q3、xt、yt、zt、sest]。

6.如权利要求1所述的高维回归点云配准方法，其特征在于，所述步骤六中的将得到的8维张量转化为对应变化，包括以下步骤：

将向量的前四维向量利用四元组表示为旋转矩阵

中间三个表示为平移向量

最后一个用作尺度因子